Navigation12

Navigation12数据集是首个专为船载视角下的海事目标检测和航道规划设计的。数据集包含超过18,000张高分辨率的海事图像，标注了12类目标，覆盖了多样的海事区域、场景和天气条件。这些类别包括货船、运输船、工作船、客轮、快艇、货船、邮轮、浮标、灯塔、岛屿、风力涡轮机和信标等。数据集的创建旨在为多尺度海事目标检测和智能导航研究提供基础，促进该领域的研究和应用。

The Navigation12 dataset is the first dataset specifically designed for maritime object detection and route planning from a ship-borne perspective. This dataset contains over 18,000 high-resolution maritime images, with 12 categories of objects annotated, covering diverse maritime regions, scenarios, and weather conditions. These categories include cargo ships, transport ships, work boats, passenger ships, speed boats, cargo ships, cruise ships, buoys, lighthouses, islands, wind turbines, and beacons, among others. The dataset was created to provide a foundation for multi-scale maritime object detection and intelligent navigation research, and to promote research and applications in this field.

原始信息汇总

HMPNet数据集概述

基本信息

• 论文标题: HMPNet: A Feature Aggregation Architecture for Maritime Object Detection from a Shipborne Perspective
• 会议: ICME2025 (已接收)
• GitHub地址: https://github.com/tustAilab/HMPNet

数据集用途

• 用于船舶视角下的海上目标检测任务

数据集格式要求

• 组织格式: YOLO格式

• 目录结构:

  ├── dataset/ ├── train/ ├── images/ ├── labels/ ├── val/ ├── images/ ├── labels/ ├── test/ ├── images/ ├── labels/

环境要求

• GPU: NVIDIA RTX 4090
• Python: 3.10
• PyTorch: 2.0.2

使用方法

1. 克隆仓库: bash git clone https://github.com/yourusername/HMPNet.git cd HMPNet

2. 创建虚拟环境: bash conda create -n HMPNet python=3.10 conda activate HMPNet

3. 安装依赖: bash pip install -r requirements.txt

训练与评估

• 训练: bash python train.py

• 验证: bash python val.py

• 测试: bash python val.py split=test

引用

bibtex @article{yourpaper2025, title={HMPNet: A Feature Aggregation Architecture for Maritime Object Detection}, author={Your Name and Collaborators}, journal={ICME2025 Proceedings}, year={2025} }

许可证

• 许可证类型: GPL-3.0 License

搜集汇总

数据集介绍

构建方式

Navigation12数据集是首个专注于船载视角下海上目标检测的高质量数据集，其构建过程充分考虑了实际航海场景的复杂性和多样性。研究团队通过采集不同海域、气象条件和时间段的船载视角图像，覆盖了包括货轮、浮标、灯塔等12类典型海上目标，共计18,632张高分辨率图像。数据标注采用专业标注工具进行精细标注，确保边界框和类别标签的准确性。为增强数据多样性，采集过程特别关注了多尺度目标分布、动态波浪干扰以及低光照等挑战性场景，并通过旋转、翻转等数据增强技术进一步扩充样本规模。

使用方法

Navigation12数据集采用标准化的训练-验证-测试划分（14,575/2,205/1,852），支持端到端的深度学习模型开发。研究者可通过加载标准COCO格式的标注文件，快速实现数据读取和预处理。建议使用多尺度训练策略（如640×640输入分辨率）以应对目标尺度变化，并配合余弦退火学习率调度等优化技术。该数据集特别适合评估模型在复杂海况下的性能表现，可通过mAP@50、mAP@50:95等指标全面衡量检测精度，同时结合参数量(Params)和计算量(FLOPs)评估模型效率。官方提供的基线模型HMPNet代码库可实现快速实验复现。

背景与挑战

背景概述

Navigation12数据集由天津科技大学与大连海事大学等机构联合开发，于2025年首次发布，旨在填补船载视角下海上目标检测领域的数据空白。作为首个专为智能航海设计的标注数据集，其包含12类典型海上目标（如货轮、浮标、灯塔等）的18,000余张高分辨率图像，覆盖不同海域、气象条件及多尺度场景。该数据集通过精确标注动态波浪干扰下的多尺度目标，为船舶避碰、航线规划等智能导航任务提供了关键数据支撑，显著推动了计算机视觉技术在复杂海事环境中的实际应用。

当前挑战

该数据集主要应对两大核心挑战：在领域问题层面，需解决船载视角特有的目标尺度剧烈变化（近大远小效应）和动态背景干扰（波浪反射、天气变化）导致的检测精度下降问题；在构建过程中，面临真实航海场景数据采集难度大、多类别目标标注一致性要求高，以及光照条件差异造成的图像质量波动等挑战。此外，现有遥感影像数据集（如SAR图像）因分辨率不足和纹理缺失，难以直接迁移至船载实时检测场景，这也成为数据集设计时需要克服的关键技术瓶颈。

常用场景

经典使用场景

在智能航海领域，Navigation12数据集为船载视角下的目标检测提供了关键支持。该数据集涵盖了12类典型海上目标，包括货船、浮标、灯塔等，覆盖多种海域环境和气象条件。其经典使用场景包括实时目标识别、多尺度物体检测以及复杂背景下的视觉感知任务，为智能导航系统的开发提供了丰富的数据基础。

解决学术问题

Navigation12数据集有效解决了航海目标检测中的多个学术难题，包括目标尺度变化大、类别多样以及复杂环境干扰等问题。通过提供高质量标注数据，该数据集填补了船载视角下目标检测数据的空白，显著提升了模型在动态海况下的泛化能力，并为轻量化模型设计提供了可靠基准。

实际应用

该数据集的实际应用场景广泛涉及航海安全领域，包括船舶避碰系统、航线规划优化以及海上搜救任务。基于Navigation12开发的HMPNet模型已成功应用于实时导航决策系统，其高效的检测性能在低光照、多目标重叠等复杂场景中展现出显著优势，为智能航运系统提供了可靠的技术支持。

数据集最近研究

最新研究方向

近年来，Navigation12数据集在智能航海视觉感知领域引发了广泛关注，其独特价值在于填补了船载视角下多目标检测的数据空白。随着全球智能航运和无人船舶技术的快速发展，该数据集为复杂海况下的实时目标识别、避碰决策等关键任务提供了重要支撑。研究热点集中在轻量化网络架构设计与多尺度特征融合技术，如HMPNet通过分层动态调制主干网络和矩阵级联多尺度颈部结构，显著提升了小目标检测精度和模型推理效率。这一方向与海事安全监管、自主导航系统等实际需求深度契合，推动了计算机视觉与航海技术的跨学科融合，为构建鲁棒性更强的船载感知系统奠定了算法基础。

相关研究论文

• HMPNet: A Feature Aggregation Architecture for Maritime Object Detection from a Shipborne Perspective

  天津科技大学 · 2025年